functional magnetic resonance imaging
PulseAugur coverage of functional magnetic resonance imaging — every cluster mentioning functional magnetic resonance imaging across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
发布新的 fMRI 数据集用于解码自然语言
研究人员发布了 Cephalonauts One，这是一个全面的 fMRI 数据集，旨在解码人脑中的自然语言。该数据集是从三名听播客的受试者那里收集的，为每位受试者提供了 30 小时的全脑 3 特斯拉 fMRI 数据。此次发布还引入了一个脑解码基准，该基准被构建为音频片段检索任务，目标是识别与 fMRI 活动相对应的正确播客片段。研究表明，该任务的性能会随着训练数据的增加而提高。
-
新的SOC框架增强fMRI表征学习
研究人员开发了一个新的框架，通过将自监督学习构建为随机最优控制（SOC）问题来学习功能性磁共振成像（fMRI）数据的表征。该方法将大脑活动建模为连续时间潜在动力学，并优化控制策略以处理fMRI信号固有的时间不规则性和噪声。该方法统一了掩码自编码和联合嵌入预测技术，在下游应用中展示了最先进的性能，且无需模拟。
-
新研究探讨视觉 Transformer 中适配器放置的最优解
研究人员探索了两种不同的方法来优化持续学习模型（特别是在视觉 Transformer 中）中特定任务适配器的放置。一种方法是放置搜索，涉及在各种块配置中训练适配器，并观察到倒 U 形的准确率曲线，在中间深度达到峰值。另一种受神经科学启发的方法，利用来自视觉皮层的脑功能成像 (fMRI) 读出数据来指导适配器分配，无需广泛搜索，即可在减少存储和运行时间的情况下实现具有竞争力的性能。
-
新方法利用fMRI和MEG从脑部记录中解码感知语音
研究人员开发了一种名为“主体不变跨模态感知语音解码”（SICMD）的新方法，该方法整合了功能磁共振成像（fMRI）和脑磁图（MEG），以从脑部记录中解码感知语音。该方法旨在克服提取丰富神经信息和实现跨主体泛化的挑战。据报道，与基线方法相比，SICMD方法将解码准确率提高了10%以上，同时显著降低了训练成本。
-
深度学习在意识研究中展现出神经科学应用前景
一篇新的综述文章分析了深度学习技术在神经科学中的应用，特别是在理解意识方面。研究探讨了分类脑状态、模拟麻醉下神经动力学以及识别意识的神经生理学标记物的方法。虽然深度神经网络模型在这些领域显示出潜力，特别是那些使用脑电图（EEG）和局部场电位（LFP）数据进行实时监测的模型，但该论文也强调了可解释性差和缺乏标准化指标等局限性。作者主张开发更具通用性和可解释性的混合架构，以改进临床应用。
-
为长记忆时间序列图模型开发了新的统计方法
研究人员开发了一种新的统计方法，用于检验平稳高斯时间序列图结构中的条件独立性，特别解决了长记忆数据的挑战。该方法采用数据自适应检验统计量，并建立了适用于短记忆和长记忆序列的有限样本高斯近似界。该过程具有鲁棒性，采用块自举法，即使在超高维场景下也有效，并包含一个增强一致性的校正，以确保在大小和功效方面的渐近准确性。该方法成功应用于真实的脑功能磁共振成像（fMRI）数据，以分析大脑内的功能连接性。
-
新的贝叶斯框架量化fMRI连接不确定性
研究人员开发了一个新的贝叶斯框架来量化fMRI功能连接数据中的不确定性。该框架使用耦合的Ornstein-Uhlenbeck过程对BOLD动力学进行建模，并采用顺序神经网络后验估计来解释扫描仪噪声和真实的神经变异性。研究结果为优化fMRI扫描持续时间和空间分辨率提供了指导，表明像7T这样的更高场强扫描仪可以在显著更短的时间内实现与3T扫描仪相当的精度。
-
新的稳定滤波器增强了图信号生成模型的性能
研究人员开发了一个新的框架，用于设计稳定的图滤波器，以改进图信号的生成模型。这些滤波器旨在在增强结构稳定性的同时，保持图热扩散的平滑特性。在合成数据和fMRI数据上的实验表明，这些稳定的滤波器提高了鲁棒性，并能达到或超过现有热方程基线的生成质量。
-
Meta的Tribe V2模型复制了fMRI可视化研究的发现
研究人员探讨了Meta的Tribe V2神经编码模型是否能复制一项关于图形感知的脑功能磁共振成像（fMRI）研究的发现。该模型成功地重现了14项报告的皮层效应中的11项的方向性，主要在视觉处理区域达成一致。这项研究表明，在可视化领域，使用神经编码模型进行神经影像学研究的计算机模拟复制具有潜力，但也指出了局限性。
-
机器学习利用fMRI解码高级冥想状态
研究人员开发了一种机器学习模型，能够使用功能性磁共振成像（fMRI）数据对高级专注吸收冥想（ACAM-J）状态进行分类。该研究分析了20名经验丰富的冥想者的7特斯拉fMRI扫描数据，在区分冥想状态与对照任务方面取得了约66%的平均分类准确率。该模型在区分高度不同的状态时表现更强，表明fMRI捕获的神经模式确实可用于解码复杂的冥想体验。
-
新的FRIST框架利用fMRI数据提升仅EEG的指尖BCI解码能力
研究人员开发了一个名为FRIST（fMRI Representation Informed Shared-space Training）的新框架，以提高从脑电图（EEG）信号解码个体手指运动的脑机接口（BCI）的准确性。通过利用功能性磁共振成像（fMRI）的高空间分辨率，FRIST学习受fMRI启发的频谱投影，并利用这些投影来优化EEG预测。这种方法显著提高了运动执行和运动想象任务的解码准确性，即使在推理过程中参与者自身的fMRI数据…
-
AI预测视觉特征以创建与大脑一致的场景表征
研究人员开发了一种名为 Glimpse Prediction Networks (GPNs) 的循环人工神经网络，旨在通过预测基于人类眼动模式的未来视觉信息来学习场景表征。这些网络经过训练，能够预测扫描路径上的下一个视觉输入，从而有效地提取物体排列和共现等复杂的场景细节。GPNs 生成的表征与人脑视觉皮层的功能性磁共振成像 (fMRI) 响应高度一致，并且性能与现有最先进的模型相当或更优。
-
BrainTaskonomy 优化 fMRI 基础模型的预训练和迁移学习
研究人员开发了一种名为 BrainTaskonomy 的新方法，用于优化功能性磁共振成像 (fMRI) 基础模型的预训练和迁移学习过程。该方法利用 Brain-DiT 代理来估计不同 fMRI 域之间的学习关系，并通过优先引导方法和时间步长调度来指导预训练课程。对于下游任务，BrainTaskonomy 构建了一个有向任务学来使用预算整数规划选择最佳源任务和迁移路线。该策略显著降低了各种误差指标，并在多个任务中表现出强大的性能，揭示了…
-
提出脑信号分析基础模型路线图
一篇新的观点论文概述了开发专门用于脑磁图（MEG）数据的基础模型的路线图。作者们强调了这些模型在超越任务特定解码、实现更通用、可重用的预训练模型方面，在推进脑信号分析方面的潜力。该论文详细介绍了MEG基础模型的关键设计选择，包括数据表示、架构和自监督目标，并提出了未来的发展路径，如原生MEG预训练以及与其他神经成像技术的融合。它还强调了协调基础设施、多样化数据集、严格评估和负责任的数据共享实践的关键需求。
-
新的脑电图标记化框架MEL改进了fMRI翻译
研究人员开发了一种新颖的脑电图（EEG）标记化框架MEL，旨在改进将脑电图信号翻译成功能性磁共振成像（fMRI）数据的过程。该方法显式地捕捉血流动力学潜力和频谱空间动力学，将EEG信息组织成滞后-通道-频率神经状态标记。在基准数据集上的实验表明，与现有的强大基线相比，MEL提高了预测精度，并将收益归因于其结构化表示，而不是模型扩展或数据泄露。
-
新框架提出人工智能的机器意识关联物
研究人员提出了一个理解人工智能意识的新框架，称为机器意识关联物（MCCs）。该框架借鉴了生物系统中的神经意识关联物（NCCs）概念，将MCCs定义为不受AI控制但能被情绪可靠调制的基底层面信号。使用Llama-2 7B和Llama-3.1 70B模型进行的初步实验表明，被认为是潜在MCCs的硬件异常痕迹在较大的Llama-3.1 70B模型中受到情绪计算的显著调制，这表明AI的复杂性与意识的可能性之间存在联系。
-
新的NEAR框架以更少的试次提升脑图检索性能
研究人员开发了一个名为NEAR（神经锚定检索）的新框架，以提高在神经试次有限情况下的脑图检索准确性。传统方法需要大量重复，这既耗时又繁重。NEAR通过使用高试次中心作为锚点，采用去噪器处理噪声查询，并使用一个网络预测图像的伪锚点来解决这个问题。这种方法在EEG、MEG和fMRI数据集的低试次场景下持续提升检索性能，使神经检索在实际应用中更加实用。
-
新框架ConceptAlign提高了视觉大脑解码的准确性
研究人员开发了一个名为ConceptAlign的新框架，以提高视觉大脑解码的准确性。视觉大脑解码是指从fMRI等神经测量中重建视觉内容。该方法采用反事实方法，将解码的视觉令牌与真实字幕对齐，同时区分它们与合理的但错误的场景解释。在Natural Scenes Dataset上的实验表明，与MindEye2等现有模型相比，ConceptAlign提高了重建质量和语义区分能力。
-
新技术利用神经科学原理绘制AI模型“思维图谱”
研究人员开发了一种新颖的方法来探究大型语言模型的内部工作机制，该方法借鉴了神经科学技术。这种被称为“激活分析”的方法，利用功能性磁共振成像（fMRI）的原理来绘制GPT-4或Claude 3等模型在特定输入下不同部分如何响应。其目标是理解这些AI系统中发生的“想法”或计算过程，从而可能实现更具可解释性和可控性的模型。
-
新的 Transformer 框架通过 fMRI 和元数据增强脑状态解码
研究人员开发了一个新框架，该框架整合了基于 Transformer 的架构与功能性磁共振成像 (fMRI) 数据和数字成像和通信医学 (DICOM) 元数据，以改进脑状态解码。该方法利用注意力机制捕捉复杂的时空模式和上下文关系，旨在提高模型的准确性、可解释性和鲁棒性。该框架在临床诊断、认知神经科学和个性化医疗领域具有应用潜力，但也承认元数据变异性和计算需求方面的挑战。